論文の概要: FPGA: Fast Patch-Free Global Learning Framework for Fully End-to-End Hyperspectral Image Classification

• arxiv url: http://arxiv.org/abs/2011.05670v1
• Date: Wed, 11 Nov 2020 09:59:48 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-27 00:52:26.809238
• Title: FPGA: Fast Patch-Free Global Learning Framework for Fully End-to-End Hyperspectral Image Classification
• Title（参考訳）: FPGA: 完全なエンドツーエンドハイパースペクトル画像分類のための高速パッチフリーグローバルラーニングフレームワーク
• Authors: Zhuo Zheng, Yanfei Zhong, Ailong Ma, Liangpei Zhang
• Abstract要約: ハイパースペクトル画像(HSI)分類のための高速パッチフリーグローバルラーニング(FPGA)フレームワークを提案する。 FCNアーキテクチャのより良い設計のために,グローバル空間情報の活用を最大化するためにFreeNetを提案する。
• 参考スコア（独自算出の注目度）: 20.521413406394572
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning techniques have provided significant improvements in hyperspectral image (HSI) classification. The current deep learning based HSI classifiers follow a patch-based learning framework by dividing the image into overlapping patches. As such, these methods are local learning methods, which have a high computational cost. In this paper, a fast patch-free global learning (FPGA) framework is proposed for HSI classification. In FPGA, an encoder-decoder based FCN is utilized to consider the global spatial information by processing the whole image, which results in fast inference. However, it is difficult to directly utilize the encoder-decoder based FCN for HSI classification as it always fails to converge due to the insufficiently diverse gradients caused by the limited training samples. To solve the divergence problem and maintain the abilities of FCN of fast inference and global spatial information mining, a global stochastic stratified sampling strategy is first proposed by transforming all the training samples into a stochastic sequence of stratified samples. This strategy can obtain diverse gradients to guarantee the convergence of the FCN in the FPGA framework. For a better design of FCN architecture, FreeNet, which is a fully end-to-end network for HSI classification, is proposed to maximize the exploitation of the global spatial information and boost the performance via a spectral attention based encoder and a lightweight decoder. A lateral connection module is also designed to connect the encoder and decoder, fusing the spatial details in the encoder and the semantic features in the decoder. The experimental results obtained using three public benchmark datasets suggest that the FPGA framework is superior to the patch-based framework in both speed and accuracy for HSI classification. Code has been made available at: https://github.com/Z-Zheng/FreeNet.
• Abstract（参考訳）: ディープラーニング技術は、ハイパースペクトル画像(HSI)分類に大きな改善をもたらした。 現在のディープラーニングベースのHSI分類器は、イメージを重複するパッチに分割することで、パッチベースの学習フレームワークに従う。 このように、これらの手法は、計算コストの高い局所的な学習方法である。 本稿では,HSI分類のための高速パッチフリーグローバルラーニング(FPGA)フレームワークを提案する。 FPGAでは、エンコーダデコーダをベースとしたFCNを用いて、画像全体を処理してグローバル空間情報を考慮し、高速な推論を行う。 しかしながら,HSI分類においてエンコーダ・デコーダをベースとしたFCNを直接利用するのは難しい。 高速な推論と大域的な空間情報マイニングを行うFCNの分散問題の解決と能力を維持するため,すべてのトレーニングサンプルを統計的に階層化されたサンプルに変換することで,まずグローバルな確率的成層サンプリング戦略を提案する。 この戦略はFPGAフレームワークにおけるFCNの収束を保証するために様々な勾配を得ることができる。 FCNアーキテクチャをより良く設計するために、HSI分類のための完全なエンドツーエンドネットワークであるFreeNetを提案し、グローバル空間情報の活用を最大化し、スペクトルアテンションベースのエンコーダと軽量デコーダを用いて性能を向上させる。 横接続モジュールは、エンコーダとデコーダを接続し、エンコーダの空間的詳細とデコーダのセマンティックな特徴を融合させるように設計されている。 3つの公開ベンチマークデータセットを用いて得られた実験結果は、FPGAフレームワークがHSI分類の速度と精度の両方においてパッチベースのフレームワークよりも優れていることを示唆している。 コードはhttps://github.com/Z-Zheng/FreeNetで公開されている。

関連論文リスト

• T-GAE: Transferable Graph Autoencoder for Network Alignment [79.89704126746204]
  T-GAEはグラフオートエンコーダフレームワークで、GNNの転送性と安定性を活用して、再トレーニングなしに効率的なネットワークアライメントを実現する。 実験の結果、T-GAEは最先端の最適化手法と最高のGNN手法を最大38.7%、50.8%で上回っていることがわかった。
  論文  参考訳（メタデータ） (2023-10-05T02:58:29Z)
• Global Context Aggregation Network for Lightweight Saliency Detection of Surface Defects [70.48554424894728]
  我々は,エンコーダ・デコーダ構造上の表面欠陥を簡易に検出するためのGCANet(Global Context Aggregation Network)を開発した。 まず、軽量バックボーンの上部層に新しいトランスフォーマーエンコーダを導入し、DSA(Depth-wise Self-Attention)モジュールを通じてグローバルなコンテキスト情報をキャプチャする。 3つの公開欠陥データセットの実験結果から,提案したネットワークは,他の17の最先端手法と比較して,精度と実行効率のトレードオフを良好に達成できることが示された。
  論文  参考訳（メタデータ） (2023-09-22T06:19:11Z)
• Attention guided global enhancement and local refinement network for semantic segmentation [5.881350024099048]
  エンコーダ・デコーダアーキテクチャを用いて,軽量なセマンティックセマンティックセマンティクスネットワークを開発した。 高レベル特徴マップからグローバル情報を集約するグローバルエンハンスメント手法を提案する。 ローカルリファインメントモジュールは、デコーダ機能をセマンティックガイダンスとして利用することによって開発される。 この2つの手法はContext Fusion Blockに統合され、それに基づいてAttention Guided Global enhancement and Local refinement Network (AGLN) が精巧に設計されている。
  論文  参考訳（メタデータ） (2022-04-09T02:32:24Z)
• A Spectral-Spatial-Dependent Global Learning Framework for Insufficient and Imbalanced Hyperspectral Image Classification [16.93904035334754]
  グローバル畳み込み長短期記憶(GCL)とグローバル共同注意機構(GJAM)に基づくスペクトル空間依存型グローバルラーニング(SSDGL)フレームワーク SSDGLは、不十分で不均衡なサンプル問題において強力な性能を有し、他の最先端の手法よりも優れている。
  論文  参考訳（メタデータ） (2021-05-29T15:39:03Z)
• A Holistically-Guided Decoder for Deep Representation Learning with Applications to Semantic Segmentation and Object Detection [74.88284082187462]
  一般的な戦略の1つは、バックボーンネットワークに拡張畳み込みを採用し、高解像度のフィーチャーマップを抽出することです。 本稿では,高分解能なセマンティクスリッチな特徴マップを得るために紹介される,新たなホリスティック誘導デコーダを提案する。
  論文  参考訳（メタデータ） (2020-12-18T10:51:49Z)
• Unsupervised Feedforward Feature (UFF) Learning for Point Cloud Classification and Segmentation [57.62713515497585]
  3次元点雲の連成分類とセグメンテーションのために,教師なしフィードフォワード特徴学習を提案する。 UFF法は、点雲セット内の点の統計的相関を利用して、1パスのフィードフォワード方式で形状と点の特徴を学習する。 エンコーダとローカルポイントでグローバルな形状の特徴を、エンコーダ-デコーダアーキテクチャを通して学習する。
  論文  参考訳（メタデータ） (2020-09-02T18:25:25Z)
• EfficientFCN: Holistically-guided Decoding for Semantic Segmentation [49.27021844132522]
  最先端セマンティックセマンティックセグメンテーションアルゴリズムは主に拡張されたFully Convolutional Networks (DilatedFCN)に基づいている 本稿では,拡張畳み込みのないイメージネット事前学習ネットワークをバックボーンとする,効率的なFCNを提案する。 このようなフレームワークは、計算コストの1/3しか持たない最先端の手法に比べて、同等またはそれ以上の性能を達成する。
  論文  参考訳（メタデータ） (2020-08-24T14:48:23Z)
• Hyperspectral Image Classification with Spatial Consistence Using Fully Convolutional Spatial Propagation Network [9.583523548244683]
  深部畳み込みニューラルネットワーク(CNN)は、高スペクトル画像(HSI)を表現できる印象的な能力を示している 本稿では,HSI分類のための新しいエンドツーエンドの画素間完全畳み込み空間伝搬ネットワーク(FCSPN)を提案する。 FCSPNは3次元完全畳み込みネットワーク(3D-FCN)と畳み込み空間伝播ネットワーク(CSPN)からなる。
  論文  参考訳（メタデータ） (2020-08-04T09:05:52Z)
• Efficient Deep Learning of Non-local Features for Hyperspectral Image Classification [28.72648031677868]
  高スペクトル画像(HSI)分類のために, ENL-FCN と呼ばれる効率的な非局所モジュールを持つ深部完全畳み込みネットワーク (FCN) を提案する。 提案するフレームワークである深部FCNは、全HSIを入力とみなし、局所受容領域におけるスペクトル空間情報を抽出する。 リカレント操作を使用することで、各画素の応答はHSIの全画素から集約される。
  論文  参考訳（メタデータ） (2020-08-02T19:13:22Z)
• Cross-Attention in Coupled Unmixing Nets for Unsupervised Hyperspectral Super-Resolution [79.97180849505294]
  本稿では,HSIの空間分解能を高めるために,CUCaNetというクロスアテンション機構を備えた新しい結合型アンミックスネットワークを提案する。 3つの広く使われているHS-MSデータセットに対して、最先端のHSI-SRモデルと比較実験を行った。
  論文  参考訳（メタデータ） (2020-07-10T08:08:20Z)
• Hyperspectral Classification Based on 3D Asymmetric Inception Network with Data Fusion Transfer Learning [36.05574127972413]
  私たちはまず、3D非対称なインセプションネットワークであるAINetを提供し、過度に適合する問題を克服します。 HSIデータの空間的コンテキストに対するスペクトルシグネチャの強調により、AINetはこの機能を効果的に伝達し、分類することができる。
  論文  参考訳（メタデータ） (2020-02-11T06:37:34Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。